Python 如何在tensorflow中实现此自定义损失函数？

我的损失函数：

我想为以下模型实现上述损失函数：

model_s=tf.keras.Sequential([
tf.keras.layers.Dense(100, input_shape=(50,),activation='tanh'),
tf.keras.layers.Dense(100,activation='tanh'),
tf.keras.layers.Dense(50,activation='sigmoid')])

model_s.compile(optimizer='adam',
             loss=loss_fn,
             metrics="accuracy",)


model_s.fit(x_train,y_train,epochs=5,batch_size=512)

我以两种方式实现了该函数，但在这两种情况下都遇到了错误。 案例1：

---

我知道由于输入形式的原因，第一种情况可能不适用于不同的批量大小，但我对第二种情况的详细信息做了很多更改，但有一件事始终保持不变：显示错误且不起作用：（

与其尝试索引到预测中，不如使用真实的标签（以一种热格式）作为获得第i个预测的掩码（您可以通过跨行的乘法和求和来实现）。然后使用argmax为第二部分创建序列掩码

试试这个：

将tensorflow导入为tf
def自定义丢失（y_真，y_pred，num_labels=5）：
idx=tf.math.argmax（y_true，1）
msk=tf.cast（tf.sequence\u掩码（idx，num\u标签），tf.float32）
#第一部分
fst=-tf.math.log（tf.math.reduce_sum（y_true*y_pred，1））
#第二部分
snd=tf.math.reduce_sum（tf.math.log（1.0-y_pred*msk，1））
返回tf.math.reduce_平均值（fst+snd）

测试1：

y_true=tf.constant（[[0,0,0,0,1]]，tf.float32）
y_pred=tf.常数（[[0,0,0,0,0.9]]
自定义损失（是真实的，是预测的）
# 

测试2：

y_true=tf.常量（[[0,0,0,0,1]，[0,0,0,1,0]]，tf.float32）
y_pred=tf.常数（[[0,0,0,0,0,0.99]，[0,0,0,0,0.9,0.3]）
自定义损失（是真实的，是预测的）
# 

为什么要使用

pre[：y]

如果你这样使用它，我想y应该是一个标量，但它是一个形状为50的张量。@SebastianR.y是标量。y=tf.math.argmax（y\u true[I]）。pre[：y]在第二种情况下获取y\u pred向量中的pre-y值（根据损失函数），在第一种情况下获取tf.tensor'loss\u fn/argmax:0'形状=（50，）是您的错误的原因。我认为您的第二种方法失败了，因为您迭代的维度在图形计算时未知。在应用日志之前，您可以使用或计算相乘到

y_pred

的二进制掩码来构造解决方案。公式中的

y'

是什么？@gobrewers14如果输入x，则y是tru电子标签或输出

def loss_fn(y_true,y_pred):
    y=tf.math.argmax(y_true)
    loss=(-(tf.math.log(y_pred[y])+tf.reduce_sum(tf.math.log(1-y_pred[:y]))))
    return tf.reduce_mean(loss)

#example
y_true=tf.constant([0,0,0,0,1])
y_pred=tf.constant([0,0,0,0,.9])
loss_fn(y_true,y_pred)

<tf.Tensor: shape=(), dtype=float32, numpy=0.105360545>

TypeError: Only integers, slices (`:`), ellipsis (`...`), tf.newaxis (`None`) and scalar tf.int32/tf.int64 tensors are valid indices, got <tf.Tensor 'loss_fn/ArgMax:0' shape=(50,) dtype=int64>

def loss_fn(y_true,y_pred):
    i=0
    loss=[]
    for pre in y_pred:
        y=tf.math.argmax(y_true[i])
        loss.append(-(tf.math.log(pre[y])+tf.reduce_sum(tf.math.log(1-pre[:y]))))
        i += 1
    return tf.reduce_mean(loss, axis=-1)

#example
y_true=tf.constant([[0,0,0,0,1],[0,0,0,1,0]])
y_pred=tf.constant([[0,0,0,0,.99],[0,0,0,.9,.3]])
loss_fn(y_true,y_pred)
<tf.Tensor: shape=(), dtype=float32, numpy=0.057705436>

ValueError: Tried to convert 'input' to a tensor and failed. Error: The tensor 'Tensor("loss_fn/while/Neg:0", shape=(), dtype=float32)' cannot be accessed here: it is defined in another function or code block. Use return values, explicit Python locals or TensorFlow collections to access it. Defined in: FuncGraph(name=loss_fn_while_body_3814, id=2579287922312); accessed from: FuncGraph(name=train_function, id=2579286968840).